CN107657815A - 一种高效的车辆图像定位识别方法 - Google Patents
一种高效的车辆图像定位识别方法 Download PDFInfo
- Publication number
- CN107657815A CN107657815A CN201711016977.2A CN201711016977A CN107657815A CN 107657815 A CN107657815 A CN 107657815A CN 201711016977 A CN201711016977 A CN 201711016977A CN 107657815 A CN107657815 A CN 107657815A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- image
- identification
- vehicle image
- location
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种高效的车辆图像定位识别方法,包括以下步骤:S1、获得车辆图像,手工标定车辆图像中车辆的具体位置,然后将车辆位置记录到xml文件中;S2、将标定过车辆位置的车辆图像转换称lmdb格式或者leveldm格式,然后将图像送入神经网络进行训练,得到车辆识别模型;S3、将训练好的车辆模型文件应用于图像的定位与识别。本发明可以达到每秒25帧以上的处理速度,同时车辆定位识别的准确率达到了98%以上。由于神经网络结构的通用性,此高效的神经网络系统也可以应用于其他的基于图像的目标定位识别系统,因此具有广阔的应用前景。
Description
技术领域
本发明属于计算机视觉/人工智能领域,特别涉及一种高效的车辆图像定位识别方法。
背景技术
随着社会经济的不断进步,汽车的拥有量也在逐年增加,如何高效安全的对车辆进行管理已经成为了一个社会广泛关注的难题。目前在主要打道路上均已安装摄像机,能够实时采集通过的车辆信息,然后通过自动识别技术识别出图像中的车辆信息。
在对车辆自动识别的过程中,我们需要知道知道图像中到底有没有车辆,有车辆的话,车辆在图中的具体位置信息。这些信息可以用来进一步的后续处理,比如知道车辆在图像中的位置,可以把车辆图像提取出来,做进一步的分析,例如车辆颜色,型号,品牌,车牌号等。判断图像中到底有没有车辆,以及车辆在图中的具体位置一般是通过图像识别技术来实现的。
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术。目前将深度学习/神经网络应用于实际的图像识别是一个热门领域。但是由于深度神经网络的计算能力需求极其庞大,通常需要GPU模块进行加速计算,因此,无法将现有的神经网络结构直接应用于普通的计算系统。
发明内容
本发明的目的在于克服现有技术解决计算能力受限条件下(无GPU系统),图像识别领域中神经网络系统计算效率低下的问题,提供一种在纯CPU的计算平台下,本发明的车辆定位识别方法可以达到每秒25帧以上的处理速度,同时车辆定位识别的准确率达到了98%以上的高效的车辆图像定位识别方法。
本发明的目的是通过以下技术方案来实现的:一种高效的车辆图像定位识别方法,包括以下步骤:
S1、获得车辆图像,手工标定车辆图像中车辆的具体位置,然后将车辆位置记录到xml文件中;
S2、将标定过车辆位置的车辆图像转换称lmdb格式或者leveldm格式,然后将图像送入神经网络进行训练,得到车辆识别模型;
S3、将训练好的车辆模型文件应用于图像的定位与识别。
进一步地,所述步骤S2中采用随机梯度下降法进行神经网络训练。
本发明的有益效果是:本发明可以达到每秒25帧以上的处理速度,同时车辆定位识别的准确率达到了98%以上。由于神经网络结构的通用性,此高效的神经网络系统也可以应用于其他的基于图像的目标定位识别系统,因此具有广阔的应用前景。
具体实施方式
下面结合具体实施例进一步说明本发明的技术方案。
本发明的一种高效的车辆图像定位识别方法,包括以下步骤:
S1、获得车辆图像,手工标定车辆图像中车辆的具体位置,然后将车辆位置记录到xml文件中;具体格式如下所示:
S2、将标定过车辆位置的车辆图像转换称lmdb格式或者leveldm格式,然后将图像送入神经网络进行训练,得到车辆识别模型;
S3、将训练好的车辆模型文件应用于图像的定位与识别。
本发明采用采用随机梯度下降(SDG)法进行神经网络训练,训练过程中将图像识别领域的ALexnet与图像定位领域的SSD(Single Shot MultiBox Detector)架构结合在一起训练神经网络,实现了基于图像的车辆定位。随机梯度下降(Stochastic gradientdescent,SGD)对每个训练样本进行参数更新,每次执行都进行一次更新,且执行速度快。在纯CPU的计算平台下,本发明可以达到每秒25帧以上的处理速度,同时车辆定位识别的准确率达到了98%以上。由于神经网络结构的通用性,此高效的神经网络系统也可以应用于其他的基于图像的目标定位识别系统,因此具有广阔的应用前景。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种高效的车辆图像定位识别方法,其特征在于,包括以下步骤:
S1、获得车辆图像,手工标定车辆图像中车辆的具体位置,然后将车辆位置记录到xml文件中;
S2、将标定过车辆位置的车辆图像转换称lmdb格式或者leveldm格式,然后将图像送入神经网络进行训练,得到车辆识别模型;
S3、将训练好的车辆模型文件应用于图像的定位与识别。
2.根据权利要求1所述的一种高效的车辆图像定位识别方法,其特征在于,所述步骤S2中采用随机梯度下降法进行神经网络训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711016977.2A CN107657815A (zh) | 2017-10-26 | 2017-10-26 | 一种高效的车辆图像定位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711016977.2A CN107657815A (zh) | 2017-10-26 | 2017-10-26 | 一种高效的车辆图像定位识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107657815A true CN107657815A (zh) | 2018-02-02 |
Family
ID=61095023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711016977.2A Pending CN107657815A (zh) | 2017-10-26 | 2017-10-26 | 一种高效的车辆图像定位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107657815A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583409A (zh) * | 2018-12-07 | 2019-04-05 | 电子科技大学 | 一种面向认知地图的智能车定位方法及系统 |
CN111754581A (zh) * | 2019-03-28 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 一种摄像头标定方法、路侧感知设备和智慧交通系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN106935035A (zh) * | 2017-04-07 | 2017-07-07 | 西安电子科技大学 | 基于ssd神经网络的违章停车车辆实时检测方法 |
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
-
2017
- 2017-10-26 CN CN201711016977.2A patent/CN107657815A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160019458A1 (en) * | 2014-07-16 | 2016-01-21 | Deep Learning Analytics, LLC | Systems and methods for recognizing objects in radar imagery |
CN107085696A (zh) * | 2016-10-15 | 2017-08-22 | 安徽百诚慧通科技有限公司 | 一种基于卡口图像的车辆定位及型号识别方法 |
CN106611162A (zh) * | 2016-12-20 | 2017-05-03 | 西安电子科技大学 | 基于深度学习ssd框架的道路车辆实时检测方法 |
CN106599869A (zh) * | 2016-12-22 | 2017-04-26 | 安徽大学 | 一种基于多任务卷积神经网络的车辆属性识别方法 |
CN106935035A (zh) * | 2017-04-07 | 2017-07-07 | 西安电子科技大学 | 基于ssd神经网络的违章停车车辆实时检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109583409A (zh) * | 2018-12-07 | 2019-04-05 | 电子科技大学 | 一种面向认知地图的智能车定位方法及系统 |
CN111754581A (zh) * | 2019-03-28 | 2020-10-09 | 阿里巴巴集团控股有限公司 | 一种摄像头标定方法、路侧感知设备和智慧交通系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784333B (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
CN109508715B (zh) | 一种基于深度学习的车牌定位和识别方法 | |
CN108550161B (zh) | 一种尺度自适应核相关滤波快速目标跟踪方法 | |
CN112257502A (zh) | 一种监控视频行人识别与跟踪方法、装置及存储介质 | |
CN103745203B (zh) | 基于视觉注意和均值漂移的目标检测与跟踪方法 | |
CN103514441B (zh) | 基于移动平台的人脸特征点定位跟踪方法 | |
CN108520202B (zh) | 基于变分球面投影的对抗鲁棒性图像特征提取方法 | |
CN106845415B (zh) | 一种基于深度学习的行人精细化识别方法及装置 | |
CN106650630A (zh) | 一种目标跟踪方法及电子设备 | |
CN109118055A (zh) | 一种驾驶行为评分方法及装置 | |
CN102982519B (zh) | 一种视频图像的前景识别提取和拼接方法 | |
CN111612024B (zh) | 特征提取方法、装置、电子设备及计算机可读存储介质 | |
CN109948471A (zh) | 基于改进InceptionV4网络的交通雾霾能见度检测方法 | |
CN112991401B (zh) | 车辆运行轨迹追踪方法、装置、电子设备和存储介质 | |
CN105761507B (zh) | 一种基于三维轨迹聚类的车辆计数方法 | |
CN109523476A (zh) | 用于视频侦查的车牌去运动模糊方法 | |
CN110570435A (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
DE102015225472A1 (de) | Verfahren und Vorrichtung zum Erstellen einer Karte | |
CN104751111A (zh) | 识别视频中人体行为的方法和系统 | |
CN107657815A (zh) | 一种高效的车辆图像定位识别方法 | |
CN104156979A (zh) | 一种基于高斯混合模型的视频中异常行为在线检测方法 | |
CN106203428A (zh) | 基于模糊估计融合的图像显著性检测方法 | |
CN115661586B (zh) | 模型训练和人流量统计方法、装置及设备 | |
CN109977884B (zh) | 目标跟随方法和装置 | |
CN103106407A (zh) | 视频段中单只猪侧视图帧属性识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180202 |